因果觀念發展的大數據相關關系觀照

摘 要：隨著人類認識的深化和實踐活動層次的提升，人類因果觀念經歷了兩次重要轉換，形成了三種基本的因果觀：實在論因果觀、描述論因果觀和模型論因果觀。從實在論因果觀到描述論因果觀，肇因于從經典物理學到量子力學的發展;從描述論因果觀到模型論因果觀，則源自信息科技特別是大數據的發展。在三種因果觀念中，實在論因果觀是關于對象確定性聯系的把握，描述論的因果觀是將實在論因果觀抽象為描述的產物，而模型論因果觀則是描述論因果觀發展到完全抽離具體經驗條件的結果。縱觀人類認識發展過程中因果觀的嬗變，可以進一步看到，因果觀念的兩大重要轉換都與信息的彰顯密切相關。在量子力學中，信息便得以空前凸顯，微觀觀測中生成的量子現象正是作為感受性關系的信息;而大數據則本身就是信息數字編碼的產物，正是大數據相關關系，將因果觀念從主要基于物能發展到主要基于信息。

關鍵詞：因果觀念;大數據;相關關系;整體觀照

中圖分類號：B026;TP311 文獻標識碼：A文章編號：1009 - 5381（2021）02 - 0012 - 11

由于東西方古代哲學關于原因的研究與世界事物的起源和發生發展密切相關，無論是古希臘亞里士多德的“四因說”還是古代東方的“因明學”，都并不是一般因果關系意義上的原因研究。正是由此出發，關于因果性的研究經歷了一個十分復雜的過程，甚至顯得越來越撲朔迷離。隨著信息科技的發展，大數據相關關系為因果性研究的系統深入和因果關系的更準確理解提供了更高層次的整體觀照，為因果關系研究提升到一個發展的更高層次創造了條件。在大數據相關關系更高發展層次的整體觀照中， 自“四因說”和“因明學”以來，關于因果關系的理解和規定，大致經歷了三個具有哲學基本觀點意義的階段。

一、實在論因果觀

在古希臘哲學中，由于將原因與世界的終極思考聯系在一起，因果觀念的研究實際上都是關于原因的哲學研究，而且，這種研究大都具有本體論的性質。作為古希臘自然研究中關于原因知識的集大成——亞里士多德的“四因說”正是主要關注原因研究的典型成果。

亞里士多德對原因的哲學考察，雖然不是一般意義上的因果觀念，而是具有本體論性質的思考，但他的“四因說”無疑呈現了因果觀念的萌芽狀態。作為因果觀念的萌芽，以及作為原因觀念最早的系統思考，亞里士多德的“四因說”一方面具有規定的原初性，另一方面包含了更豐富的內容和可能性。由于日常經驗和科學的發展，在亞里士多德“四因說”的基礎上，逐漸形成了作為實體或實體過程的因果觀念。在因果關系研究的這一發展階段，由于以日常生活和經典物理學為基礎，人們主要把因果關系作為實體或主體之間的相互關系理解。因此，原因和結果之間的關系更多地被理解為實體過程中的基本關系，無論原因還是結果都主要作為實體來理解。這種因果觀主要由認識既存世界的需要而生，屬于對原因和結果關系直接的樸素把握。在這種因果關系的把握中，人們最關心的是結果由什么原因造成。在這一階段，把握因果關系的目的主要是由果溯因。

在經典物理學中，由于與日常經驗的高度匹配，因果觀念的實在理解具有非常好的實體對應，因果描述和因果解釋處于未分化狀態，對因果觀念的實體理解相對簡單明了。但是，實體意義上的因果觀念在哲學上始終存在一個難題，那就是原因的原因的原因……這種無窮回溯（無窮回歸）。關于這一具有哲學基本問題性質的難題，思想史上的解決嘗試大致有三條進路。其中，一條為牛頓所采用，那就是把終極原因歸于上帝;而在哲學中的另外兩條進路則分別為休謨和康德所系統探索。在西方哲學史上，近代經驗論從理論上對因果觀念的哲學反思，揭示了因果觀念的復雜一面。

在關于因果性的哲學研究中，休謨把因果觀念的來源和根據歸于經驗而不是先驗，康德則把因果觀念的由來歸于先驗而不是經驗。休謨認為，“各個對象的恒常結合決定了它們的因果關系”[1]198，他曾大膽地提出一個沒有例外的一般命題：“我們關于因果關系的知識，在任何情況下都不是從先驗的推理獲得的，而是完全產生于經驗，即產生于當我們看到一切特殊的對象恒常地彼此聯結在一起的那種經驗。”[2]21在因果關系的經驗論探索中，休謨只能建立起原因和結果間的時序關聯，這與休謨把因果觀念的來源和根據歸于經驗有關。但是，休謨對因果觀念的經驗論宣判，其實也還是留有一定余地的。這方面，休謨很像為信仰留下余地的康德。因為在休謨的因果觀念中，因果概念仍保留了兩種可能性。

在因果關系的研究中，休謨具有特殊地位，他從經驗論出發為因果關系奠定了思想基礎。休謨雖然是在觀念層面討論因果關系，但其關于因果性的討論仍然主要在實在意義上。休謨雖然把因果觀念的來源歸于經驗，但他所涉及的卻不只是因果觀念，也包括因果性本身，即實在意義上的因果關系，只不過是處于一種懷疑的狀態甚至具有否定的傾向。

休謨關于原因兩個定義的討論，盡管傾向明顯，但至少是對這兩種可能性的客觀展示。休謨給原因所下的第一個定義是：“它是先行于、接近于另一個對象的一個對象，而且在這里凡與前一個對象類似的一切對象都和與后一個對象類似的那些對象處在類似的先行關系和接近關系中。”[1]195只是在康德等關于因果性的哲學研究與統計學、計量經濟學等學科關于因果性的科學研究之間，因果觀念發生了兩種可能性的分化。

近代經驗論和唯理論的爭論構成的持續張力，促成了康德對因果觀的思考。由于其基本哲學觀點，關于因果觀念由何而來的休謨問題，康德的回答是來自先驗。在他那里，因果觀念和時間、空間一樣，都是先天形式的;對于因果觀念的理論考察，所得到的是像時間和空間一樣的因果先天形式。在康德看來，因果性問題的關鍵在于“這個概念是否能先天地被理性所思維”[3]8，因而他完全贊成休謨關于不能通過理性理解因果關系的可能性的觀點。但是，康德既不認為因果概念是從長期習慣得來的純粹假象，也不認為因果概念僅僅得自經驗，因而不把因果概念所體現的必然性當作虛構，相反，他認為與空間、時間一樣，因果性是先天的。康德認為，這一點是毫無疑義的：“概念以及由之而生的原則都是先天的，即在一切經驗之先建立起來的，它們具有無可置疑的客觀準確性，但是，當然只就經驗而言。”[3]80康德所說的原因是“世界上到處都遇得到的理性形式的原因”，他所說的因果性是“出于理性的因果性”。[3]150這樣，在因果觀念的哲學研究中，關于因果觀念來源，出現了兩個相對方面的不同努力，開啟了兩種不同的走向。一方面，休謨走向了因果觀念的經驗理解，把因果觀念視之為人們在經驗中的“習慣性聯想”，歸之于習慣性聯想中經驗的“恒常結合”（constant conjunction）[4];另一方面，康德走向了因果觀念的先驗理解，將因果觀念歸之于先驗的先天形式。

由此可見，實在論意義上的因果觀具有兩種基本形式：經驗的和先驗的。經驗意義上的實在論因果觀趨向否定因果關系的實在論理解，而先驗意義上的實在論因果觀則似乎具有邏輯上難以否認的地位。從休謨到康德，一方面，關于因果性的哲學研究走到了傳統范式的極致，打上了一個長久的句號;另一方面，因果性問題的哲學研究，或者說因果性問題的定性研究，則困在了休謨的經驗和康德的先驗之間。[5]由于局限于因果關系的實在理解，隨著實證科學的發展，因果觀不僅越來越不能適應實證科學發展的需要，而且越來越顯露了因果觀念實在理解的局限，遭遇統計學、統計物理學特別是量子力學的嚴峻挑戰。

就量的相關關系而言，量子力學的數學形式體系對量子對象已經有很精準可靠的把握，但由于（數學）描述和（物理）解釋的分化，在量子力學中，因果關系的定量研究呈現與統計學和計量經濟學，更與統計物理學完全不同的情景。在很大程度上，這種不同由于量化把握所呈現出來的相關關系。統計學和計量經濟學與量子力學相關關系的重要區別在于：在統計物理學、統計學和計量經濟學中，“相關關系必須獨立于用來測量兩個變量的裝置。”[6]而在量子力學中，測量本身就是影響相關關系的因素。正是量子力學的特殊情景，構成了定量把握和定性把握的完全分化。人們對量子力學數學形式體系的物理意義沒有任何理解，這就需要量子力學的理論解釋。正是量子力學及其理論解釋，構成了對傳統因果觀的根本挑戰，從而提出了重新刻畫因果概念的迫切要求。

當科學發展到量子力學，傳統實體因果觀在基礎理論層面遇到根本挑戰。在量子力學中，已經不可能像在牛頓力學中那樣協調地理解因果概念。在經典物理學中，由于因素及其相互作用方式相對簡單，原因和結果之間的關系可以近似地被看作是完全確定因而具有必然性;而在量子力學中，由于包括實驗安排在內的因素體系及其相互作用方式的復雜性，不可能像經典物理學那樣把兩個相同的實驗安排看作是等同的，這使每個觀測都具有不可忽略的個別性，因此量子現象本身具有獨特的個體性，結論必定是因果關系內含概率性。毫無疑問，概率性所反映的也是一種確定性的關系，即概率性本身的確定性。如果說，由于實踐的可操作訴求，在統計理論中不得不與實體因果觀相分離的話，那么在量子力學中人們就必須摒棄傳統因果觀，摒棄關于傳統因果觀念的理解。這樣就有了因果概念根本意義上的重新刻畫，就有了原因是因素的相互作用過程、結果是因素相互作用效應及其累積的新因果觀念。

事實上，因果概念的重新刻畫，正是因果觀念發展的邏輯結果，甚至在亞里士多德的“四因說”中，就可以看到其邏輯萌芽。由于亞里士多德的“四因說”保留了更豐富的可能性，可以看到隱含著當代因果關系研究的思想資源。從對因果關系的理解程度看，“四因說”對于因果關系的把握無疑是相對初步的，但卻可以看到從因素理解原因的更大展開空間，只是主要處在因素相互作用動態過程的凝固狀態。正是在重新刻畫的因果概念基礎上，因果觀念的哲學理解與因果關系的統計學和計量經濟學等學科研究走向融合，只不過，這仍然是因果關系實在論理解的產物。也正是由此，可以看到實在論因果觀的歷史和認識根源和局限。

正如實體實在論，因果關系的實在論理解遇到同樣性質的問題。關于因果關系的經驗實在理解，不能徹底化解休謨的懷疑;關于因果關系的先驗實在理解，則難以擺脫邏輯的實在性根據以及更深層次的先驗的經驗基礎問題。在量子力學中，這些問題得以空前凸顯。實在論因果觀的認識根源，在羅素那里有矛盾爆發式的反映。

不僅因果關系的原因研究，而且所有將主要因素歸結為單一原因的研究，必定都屬于實在論因果觀。實在論因果觀典型地表現在日常生活和經典物理學領域。恰如羅素哲學屬于實在論研究的最終形式，在現代科學發展的因果觀念反思中，羅素的因果思考在某種程度上可以看作實在論因果觀發展的終曲。

無論在科學還是哲學中，因果性都有一個耐人尋味的遭遇：“因果原理是現代物理學的基礎層面，而且一個多世紀以來一直是關于相對論和量子力學基礎爭論的核心，盡管如此，一直有一系列哲學思想認為因果關系應當從物理學中被刪除出去。這一系列思想源自羅素1912年發表的觀點。”[7]6羅素關于因果關系的這一觀點，在因果關系研究中是另一個具有特殊意義的界碑。

羅素是因果關系研究中的轉折性人物，在量子力學創立之后，他就發現一個重要現象。在《論原因概念》一文中，羅素寫道：“每一流派的所有哲學家都認為因果關系是科學的基本定理或假設，而非常怪異的是，在前沿科學中……‘原因一詞從未出現。”[8]羅素的這一觀點引發了爭議，不同看法很多，也很有道理。法萊斯（Evan Fales）認為，“羅素走得太遠了，竟預見到一個物理學完全摒棄因果概念和因果性的時代。物理學從來沒有放棄這些概念，很難看到這如何可能。”[9]里格斯（Peter J. Riggs）則認為，“在物理學和一般地說在科學中，因果推理和原因的追尋一直是一種基本的方法論。”[7]7其實，只要系統地考察就會發現，羅素的因果觀也并不是那么確定的，在1948年出版的《人類知識》一書中，羅素對因果關系做了深入的研究。他不僅提出了科學研究的五個公式，而且其因果觀念已經從傳統決定論的形式走向了統計因果性。他認為，物理學“已經用統計平均數代替影響每個個別現象的嚴格的決定論的因果性”[10]。羅素所提出的科學研究的五個公式，正是因果性研究歸納進路的成果。這方面的研究在賴辛巴赫那里有更深入的思考。賴辛巴赫認為，因果假設在歸納推理中具有重要作用，因果解釋具有歸納的性質。[11]由此，因果觀念的歸納邏輯進路走向概率研究，這一走向與因果關系的量化研究具有內在邏輯關聯。與統計物理學、統計學、計量經濟學、生物統計學和心理測驗學等學科中的因果關系量化研究進路相應，因果關系研究的另一致思方向則是邏輯學研究。這種研究似乎與因果觀的定性研究無關，屬于純粹操作性的。

因果性在量子力學發展中所遭遇到的，也屬于量化沖擊的力量，而且是更重要的沖擊力——以重新刻畫的因果關系描述，即是更重要的因素，但是量子力學不僅并不排斥因果性，而且本身不能沒有因果關系。典型的像波爾，特別是玻恩，他們始終堅持因果觀念，就像他們描述微觀對象不得不采取互補的觀念，在描述微觀領域時不得不使用具有根本性的概率方法。有的研究甚至得到“量子非定域性遵循因果關系”[12]的結論。在量子物理學家那里，甚至仍然可以看到基于經典物理學觀念的傳統實在論的因果觀，玻姆就是典型的例子。他認為，“一物所滿足的因果律構成其存在模式的基本和不可分的方面”。[13]正是量子力學所涉及的更深層次的問題，使因果關系的研究不得不從因果觀念的實在理解走向因果觀念的描述理解。實在論因果觀以物能存在的直接觀測為前提，因此在日常生活和經典物理學中作為典型適用場所。當科學發展到量子力學，微觀領域觀測的直接性不再可能，而觀測的間接性則使因果關系只能通過描述把握。正是由此，實在論因果觀必須轉向描述論因果觀。

因果觀念的描述理解與因果關系的實在理解有很大不同，它在給傳統因果性理解帶來沖擊的同時，深化了人們關于因果關系性質的理解。這一點，在大數據相關關系的觀照中更為明顯。從大數據相關關系看，實在論因果觀理解的局限性更是非常清楚。由于大數據意味著人類活動從描述到創構的發展，實在論因果觀不僅不能適應量子力學領域的因果關系，更不可能涉及大數據相關關系基礎上創構的因果關系。

二、描述論因果觀

在因果關系研究中，休謨的特殊地位主要體現在兩個方面：一是把因果性的研究從關于原因的研究明確提升到原因和結果關系的研究，二是將因果關系作為觀念之間的關系討論。正是這兩個方面，使休謨的因果觀具有跨越兩個階段研究的性質：從因果關系的實在論理解跨越到因果關系的描述論理解。休謨認為，實在意義上的原因定義來自原因以外的對象，因而是有缺陷的，可以代之以另一個定義：“一個原因是先行于、接近于另一個對象的一個對象，它和另一個對象那樣地結合起來，以致一個對象的觀念就決定心靈去形成另一個對象的觀念，一個對象的印象就決定心靈去形成另一個對象的較為生動的觀念。”[1]195自從休謨將因果關系歸結為觀念之間的關系，就意味著從實在論因果觀到描述論因果觀，因為觀念間的關系本身不是實在的，而是對實在的描述。量子力學是描述論因果觀的物理學基礎，它凸顯了因果關系更基本的性質。

從因果觀念的發展看，正是休謨的“習慣性聯想”使因果觀的發展從第一階段向第二階段過渡。在從原因進入原因和結果關系的討論時，休謨關于從單純關于原因的研究到原因和結果之間關系的研究，有一段十分深刻的闡述：“我們沒有關于這一聯系的觀念，當我們努力去構想它時，甚至連我們究竟想要知道它的什么東西，都沒有一個哪怕是模糊的意識。”[14]而關于把因果關系作為觀念之間的關系研究，則與他對因果關系概率性的涉及密切相關，這無疑意味著給因果關系經驗論研究帶來了一大關鍵性轉折。

從更深層次上理解，因果關系概率性的涉及是因果關系研究至為重要的關鍵發展階段。早在休謨那里，因果關系的研究就已經涉及概率因果性。雖然他把這種概率因果性看作是沒有必然聯系的結果，但他談到“按照這些結果出現次數的多寡，分派給各個結果所具有的特殊的分量和權威”[2]51。由此已經可以看出概率因果關系的表述了。所以在《人類理智研究》中，專門有一章研究或然性（probability）。正是在這里，因果關系的研究便明顯出現了定性研究和定量研究的分化，結果是哲學上的因果觀念和科學上的因果關系概念明顯分化。

事實上，確認或相信“有因必有果，有果必有因”的根據不在外部對象，而在理性或者思維自身，這無疑是因果關系研究的另一關鍵轉折。其中道理其實不復雜：因為思維不可能理解與此相反的情景。休謨把因果關系從對象（objects）之間的關系轉換為觀念（ideas）之間的關系，不僅正是自覺不自覺地反映了這樣一種理性處境的結果，而且也是從面向對象到面向觀念的轉換，這意味著從實體寫照轉換到關系描述。事實上，在休謨和康德那里，已經可以看到因果關系理解描述轉向的必然性。休謨把必然性看作是心中而不是對象中的東西，康德的先天形式雖然號稱是先驗的，但事實上也源于思維中的規定。[15]把因果觀念歸之于先驗，只是對原因無窮追問的神學式終結，其根源仍然在思維中的規定。在關于因果觀念的這一認識階段，主要對因果關系作了描述理解，“原因是對因素相互作用過程的描述;結果是對因素相互作用效應及其痕跡的描述。”[16]，而隨著實證科學的發展，關于因果關系的描述理解在對事物過程的量化把握中達到極致，這是從統計學發展以來，關于因果關系定量研究長期發展的結果。

隨著科學的進一步發展，統計力學等理論逐漸興起后，人們不得不對具有因果聯系的事物進行統計性研究，這就有了所謂“統計因果性”，而“統計因果性”明顯越來越遠離因果觀念的實在論理解。因為按照“統計因果性”，不僅因果聯系不是必然的而是概率性的，而且它所反映的也明顯不是牛頓力學中實體之間的關系。隨著統計學的發展，尤其是典型的像計量經濟學等經濟學相關學科的量化發展，因果關系的研究不可避免地走向數學化，走向與康德的先天形式不同的方向，歸根結底走向因果觀念的實踐理解。事實上，在實在論因果觀念中，當因果關系涉及眾多因素的相互作用，就為從實在論因果觀走向描述論因果觀提供了客觀基礎。面對復雜因素體系，從因果實體觀念到如何描述一個對象致思，就可能引向另一個方向，即如何用因果關系描述對象。這樣一來，就涉及基本的描述方式，因為統計的描述方式所得到的肯定不是傳統的實體因果觀，這就全面導向因果關系的量化研究。由此，因果性研究出現了“兩股道上跑的車”——因果觀念定性研究和因果關系定量研究的明顯分野。結果在哲學上的因果觀念和科學上的因果關系之間，出現了奇異的概念完全分化，促生了從實在論因果觀到描述論因果觀的發展。描述論因果觀和實在論因果觀的原則區別在于：因果觀念不是對象關系的鏡像反映，而是對于對象確定性聯系的描述。其典型例子就是對實在對象的統計把握所得到的概率性結果，并不是對對象本身實在特性的把握，而是對實在對象的描述產物，因而概率性不是客觀實在本身的特性，而是客觀對象主觀描述的特性。這就真正解決了量子力學中因果關系的理解問題，甚至走出了量子理論所涉及的實在論困境。對實在對象的描述和實在對象本身的區分，不僅避免了量子領域的非實在論結論，在描述層次達到對于實在論的更合理理解，而且給因果關系的量化統計進而對大數據相關關系的研究提供了更準確的解釋。

自從統計學之父卡爾·皮爾遜（Karl Pearson）提出“相關系數”（correlation coefficient）概念，統計學研究就大多是關于“相關關系”的理論，而關于“因果關系”的統計理論極少涉及，皮爾遜甚至明確反對因果關系的統計研究。[17]統計學的定量研究大大推進了實證科學的發展，但在因果關系基礎理論研究上的貢獻則并不那么明顯。統計學中關于因果關系的研究，主要是因果推斷研究的成果。源自因果關系定量研究的因果推斷成果，主要有格蘭杰因果關系等。

由于其實踐性和量化操作特點，在統計學和計量經濟學等學科中，因果關系的最重要意義在于預測，在于使用。由于必須具有可操作性，因而因果關系必須是可檢驗的，至于是不是真正意義上的因果關系，或者說到底是因果關系還是相關關系，則相對處于次要位置。由于主要是量化的研究，而因果關系的量化把握意味著抽象化為相關關系，因此自然而然越來越關注的是相關關系。這是一種關于因果關系的量化把握，而因果關系的量化把握結果，只能是相關關系。因此，在統計學和計量經濟學等學科中，才有一種基于“預測”的“格蘭杰因果關系”（Granger causality）。正是“格蘭杰因果關系”催生了一種快速發展的“因果檢測”（causal test）研究，以至因果推斷（causal inference）成了一個越來越熱門的新學科。格蘭杰因果關系的提出是耐人尋味的，這是一種關于因果性的新理解。

在因果關系的研究中，格蘭杰因果關系是一個標志性的成果，雖然它是從描述實踐的角度所進行的經濟學領域的研究，實際上卻是一個具有哲學性質的理論。格蘭杰是一位具有哲學思維頭腦的經濟學家，他對因果關系的哲學研究有不同看法，認為沿著當時關于因果性的哲學研究進路，不可能得到進入統計實踐的成果。因而他的因果研究從一個不同于哲學研究的角度，即從因果性的抽象理解轉向因果性的量的具體操作。由于統計學和計量經濟學等學科要致力于操作，所以就必須從因果性的實踐出發;由于完全從相關關系的量的角度去探討，關于格蘭杰因果關系是否屬于“真正”意義上的因果關系，存在爭議也是必然的，但是統計學和計量經濟學等學科的因果關系研究，正像量子力學中的因果性探索那樣。量子力學通過數學形式體系去把握微觀對象的關系，而統計學和計量經濟學等學科也同樣是通過變量之間的關系，去把握經濟社會領域的對象。從統計學家和計量經濟學家的角度思考問題，最重要的方面之一是實踐操作，但這種操作性的致思，不僅對于經濟學等學科具有重要意義，而且也使因果性研究完成了一個重要轉向：從因果觀念的實在意義上的理解轉向描述意義上的理解，這種轉向對于因果關系理解的進一步深化至關重要。

雖然格蘭杰對哲學家們關于因果性的研究有自己的看法，但他也不管自己所反映的因果性是不是真正意義上的因果性。在因果關系的研究中，格蘭杰的主要訴求是應用操作，由此可以看到“使用”在這里具有重要地位。這一方面使因果關系的理解受到相關關系發展的極大沖擊，但另一方面，也恰恰是因為統計學和計量經濟學等學科的發展，相關關系帶來了因果關系理解的一個新的轉機。

格蘭杰因果關系提出之后，計量經濟學就完全從因果性的定性研究轉向了因果關系的定量研究，也就是從實在的因果性理論思辨轉向了描述的因果性實際操作，但格蘭杰因果關系仍然堅持實在論的因果觀，只是關于它是不是真正意義上的因果關系的問題，在某種程度上被擱置了起來，而主要是進入量的實際操作。對于因果關系的描述理解來說，一個標志性的根本特征，正是在操作上和因果關系定性上的分離。這既是格蘭杰因果關系所充分凸顯的一個方面，又是它引出轉機的另一方面。

格蘭杰關于因果關系的研究當具里程碑意義，他把因果關系研究從單純的理論目的轉向實踐，從概念轉向操作。這位諾貝爾經濟學獎獲得者認識到，人們在研究因果關系時所使用的大多數例子，都來自經典物理學和化學[18]，而格蘭杰的研究是從因果性的抽象理解轉向因果性的量的具體操作。統計學領域所進行的，顯然是另一種形式的因果性研究。他在明確了哲學家們關于因果關系還沒有達到一致的意見，還沒有找到大多數人能接受，特別是產生多少對于實踐中的科學家們有用的定義后，就開始在描述論因果觀的基礎上進行新的探索，并形成瞬時因果描述模型。

格蘭杰因果關系是一種描述模型，這種描述模型實際應用的有效性為實踐所證明，但這種模型的實在論意義卻不能確定。因此有人提醒：“就我們的目的來說，更好的做法是把格蘭杰因果關系和外生性概念區分開來，而把前者當作一個處理時間序列數據的有用的描述工具。”由此可以看到，實踐操作上的一些問題，歸根結底源自理論上的問題。“由于涉及滯后，分布和（或）自回歸模型引出了經濟變量中的因果關系話題。在實際應用中，格蘭杰因果關系模型引起了相當關注。但人們在運用格蘭杰方法論時不得不格外謹慎，因為在模型使用中的滯后長短異常敏感。”[19]科學理論的發展越來越表明，抽象理論描述所具有的，實際上是描述意義，其實就意義的尋求本身而言，已經證明不是一種傳統意義上合理的研究進路（approach），這不是格蘭杰因果關系本身的問題，而是因果關系量化理解的結果，這種研究在現代哲學中與歸納邏輯研究相聯系，基本上從必然性退離到或然性，凱恩斯、卡爾納普和波普等實際上都趨向于以描述的因果性代替實在的因果性，只是在量子力學的理論解釋中才典型地表現出來。

因果關系的量化表征，使因果關系從實在關系轉化為變量之間的函數關系。由于所表達的——或可以弱化為相關關系，而事實上量化的相關關系主要是對因素之間、結果之間以及因素（常常是主要因素）和結果（效應）之間關系的量化表征，函數關系并不是對因果關系的直接把握。人們早就認識到，在相關關系中，“兩個變量之間存在有意義的線性關系，并不意味著一個變量是另一個變量的原因。”[20]但由于可以對當下過程進行了解和把控，因而可以幫助對未來進程進行預測。這種因果理解是應把握當下事物過程并預測未來進程之需而生，屬于對原因和結果關系的量化，因而是相對間接的把握;但從對因果關系的理解程度看，這種量化把握卻是相對精確的，因而在統計學和計量經濟學等學科中得到廣泛應用。在這種因果關系把握中，人們最關心的是特定因素對當下和未來結果的影響。而在這一認識階段，把握因果關系的目的從第一階段的由果溯因轉向由因（素）索果，由此導致因果關系理解發展的重要進程：科學中的因果關系概念與哲學中的因果關系概念不僅開始完全分化，而且哲學意義上的因果概念（觀念）在科學中漸呈邊緣化趨勢，科學中的因果概念甚至與因果關系的哲學理解相抵觸，以至在統計學和計量經濟學等學科中，甚至出現兩種概念相沖突的現象。在統計物理學、統計學和計量經濟學等學科中，因果關系的理解客觀上出現以相關關系的定量研究淹沒因果觀念的定性理解的現象，甚至出現排斥因果性哲學理解的趨勢。這種發展趨勢不是單方面造成的，關于因果觀念的哲學研究在某種程度上漠視因果關系定量研究，也是相對消極的另一方面因素。

在哲學家們看來，統計學和計量經濟學等領域的因果關系研究主要是應用性的，因此沒有引起太多的重視。一方面，在哲學中，因果性研究“囚禁”在經驗和先驗的分立中;而另一方面，在科學中，因果關系的研究則似乎“放逐”在遠離因果觀念領地的經驗領域。在這樣的發展形勢下，因果關系的量化研究，必定走向主要把握相關關系。科學中對因果概念的理解或相關關系的把握，典型地表現在統計物理學、統計學和計量經濟學等學科中。而當這種進路深入到基礎科學——（典型的是）量子力學中時，因果觀念的研究則遇到了根本的挑戰和困難。

盡管對于因果關系的研究貢獻有限，統計學及相關學科對相關關系的研究卻具有不可替代的重要地位。只是當涉及更深層次，一些關鍵問題就隨之出現。相關變量具有相互關系及其相關方向，它們之間的相關程度，在統計學和計量經濟學等學科中由相關系數（Correlation coefficient）確定。為了反映變量之間相關關系的密切程度，皮爾遜設計了統計指標。出于一種純粹實際操作的目的，相關系數在一般情況下具有重要操作價值，但它有一個缺陷：數據組的數量對相關系數接近于1的程度影響較大，容易因為波動太大而造成假象。數據組的數量太少，相關系數容易偏大，反之容易偏小。當只有兩組數據時，相關系數的絕對值總為1。這種嚴重失實的現象，既是單純的相關關系定量研究不可避免的局限，也是因果關系量化的問題所在。

在因果關系的描述理解中，難以面對的一個基本問題就是相關關系的因果關系意味，也就是因果性和相關性之間的關系。羅素正是由此一度走向否定因果關系的方向。由此科學中的因果關系研究與哲學中的因果觀念研究出現重新融合的重要趨勢，而數字技術特別是大數據的發展，則使因果模型從描述擴展到建構，因果觀念從而推進到一個新的發展階段。

三、模型論因果觀

因果觀念的發展是一個不斷展開的過程，從實在論因果觀到描述論因果觀再到模型論因果觀，隨著認識的深化不斷展開。在休謨的因果觀念中，不僅隱含著描述論因果觀，而且還是模型論因果觀的萌芽。

休謨把人們通常認為是事物之間的聯系看作是觀念之間的聯系，事實上涉及一個具有根本意義的范式轉換。而將這種觀念間的聯系原則進行分類，則是休謨首次進行的。正是把事物之間的聯系看作觀念之間的聯系，意味著把抽象概念、描述甚至理論體系歸結為模型。由外部定義就是根據外部客觀事物的相互作用定義，而內部定義則是觀念間的關系。這后一個定義不僅意味著描述的因果觀，而且隱含著因果模型描述的胚胎。

隨著信息科技特別是大數據的發展，人類認識和實踐面臨新的發展形勢，進入了一個新的發展階段。大數據相關關系給人們提供了越來越多的便捷方式，似乎在很多情況下可以規避因果關系的艱難探索，直接運用相關關系解決問題。由此一來，因果關系的研究不僅面臨大數據相關關系的挑戰，而且面臨創構的因果關系這樣一個新的研究課題。

新的課題意味著新的視野，在大數據相關關系層次對因果觀念的發展作整體觀照，正可以看到重新刻畫的因果概念進一步擴展的空間。重新刻畫的因果概念，不僅為量子領域的因果關系描述提供了更合理的模型，而且為回應大數據的發展所帶來的相關關系給因果關系的挑戰，準備了更寬廣的因果模型構架，從而為因果關系和相關關系的融通理解奠定了基礎。正是從大數據相關關系層次，可以更清楚地看到因果觀念嬗變的內在邏輯。

在科學中，無論是作為實體相互作用的經驗現象，還是變量之間的關系，因果關系必須具有前因后果的時序性。甚至在哲學中，原因和結果之間具有先后時序性也一直是一種原則性的規定。這既是傳統因果觀中“鐵的因果鏈”必不可少的預設，同時也是其阿喀琉斯之踵。

因果關系的實在理解和描述理解，相對于人類認識的不同發展階段，都是因果關系規定發展的合理形態。今天，大數據的出現和發展，正醞釀著因果關系理解的更高層次，催生因果關系規定的新形態。

因果關系在哲學中的定性研究和在科學中的定量研究，似乎是一種導致矛盾的分歧，事實上則構成了一種強大的張力，極大地推動了因果關系的理論研究和實踐把握，不僅將因果關系從實體意義上的關系推進到描述意義上的關系，而且把描述論因果觀進一步提升到模型論因果觀，并從描述的因果模型推展到創構的因果模型。

描述論因果觀無疑開啟了因果關系新的理解，但由于描述模型本身最初與統計模型的天然關聯，不可能真正使因果觀念的休謨式經驗理解和康德式先驗理解在新模型的基礎上走向融合和統一。事實上，基于描述不可能找到二者融合和統一的新基礎。因為大數據意味著創構，而創構不是描述，創構過程既不能基于實在論因果觀，也不能以描述論因果觀為基礎;創構意味著模型，創構的因果關系意味著必須有創構的因果模型。由于無中生有的創構與既定存在的描述具有根本不同，因果關系的模型論理解在創構活動中得以空前凸顯。描述論因果觀和實在論因果觀適用于對對象的描述而不適用于對象的創建，特別是具有創生性的信息創構，因此描述論因果觀必須轉向描述和創構一體化的模型論因果觀。人類在大數據基礎上的創造活動是創生意義上的創構活動，必須轉向描述的因果模型和創構的因果模型一體化的模型論因果觀。由此可見，只有發展到大數據，人類根據自己的需要在大數據相關關系基礎上創構，建立起創構的因果模型，才能在描述的因果模型和創構的因果模型的統一理解中，不僅與實踐聯系起來，而且進一步與人的需要聯系在一起。這正是自因果關系的量化研究開啟以來，直到大數據完全量化的發展凸顯的相關關系，為因果模型的擴展帶來的新的發展空間。對于因果關系和相關關系來說，正像“人體解剖對于猴體解剖是一把鑰匙”[21]，在大數據時代，因果關系和相關關系及其相互關聯有了更高層次的整體觀照。

自從人類學家弗朗西斯·高爾頓（Francis Galton）在18世紀提出“（向均值）回歸”的概念，模型的使用就發生了根本性的轉換。線性回歸模型意味著從嚴格意義上的“物理模型”轉向“統計模型”，即從刻畫物理機制轉向刻畫變量之間的關系。由此可以看到描述與模型的天然關聯。因果性理論的統計學研究標志著一個重要轉折，即從基于經典物理學的因果性研究轉向因果關系的統計描述研究，而所謂統計因果性其實已經不是在經典物理學意義上談因果性，而是將因果性的研究從實在層面轉向了描述層面，而描述的不斷抽象化發展，正是模型典型化的過程，結果就是典型的模型。雖然描述和模型之間具有密切的發展關系，但描述和模型之間又有重要因果觀后果。描述意味著可以是對實在對象的摹寫，而模型卻可以與實在對象完全是兩回事。這一點，從博克斯（George Box）的模型觀可以得到更準確的理解。他認為，“模型都是錯的，只是有些有用”。[22]這就決定了模型論因果觀和描述論因果觀的分野，只是二者間具有發展的一體化關系。而且，因果關系的模型理解和因果關系描述理解還具有不同的意義。多變量時間序列分析的最新進展表明，修正的模型結構可以處理由瞬時相關關系造成的令人困（迷）惑的效應（結果）。[23]更重要的是，模型論因果觀在更深層次反映了因果關系的性質。

正如因果性研究的描述論轉向，意味著因果關系是對實在對象的確定性關系的描述，因果性研究的描述轉向，也意味著因果關系其實是一種描述模型。隨機性作為計量經濟學等學科中因果描述模型的“黃金準則”，正說明統計因果性的描述而非實在性質。“因果關系只能決定于隨機性的斷言是隨機性作為因果推斷‘黃金準則（gold standard）的具體說明。”[24]由因果關系的量化研究，特別是格蘭杰因果關系等的提出，使人們逐漸認識到，隨著科學的發展帶來人類認識的深化，模型和對象之間的關系越來越不是直接反映而是應證（justification）關系。[25]對象和相應模型之間就不再是客觀描述的關系，描述產物其實更是一種模型。在這個意義上，正是在因果關系描述理解的基礎上，發展出了因果模型的理論研究，并基于因果模型的研究發展出更豐富的理論。實際上，展開因果概念的重新刻畫就可以清楚地看到，當我們面對外部世界，在關于既存對象的認識中，因果關系越來越只是一個模型。正因為如此，在這種認識中，在大數據相關關系的整體觀照中，可以得到關于因果關系的更高層次理解。一方面，在大數據中，因果關系通過量化蛻變為變量之間的相關關系，因果關系的描述理解構成對傳統因果觀空前嚴峻的挑戰。另一方面，其實大數據中的因果性和相關性，或者大數據的因果關系和相關關系，從量的維度深化了對因果觀念的理解，為因果概念的進一步展開提供了更高層次的整體觀照。正是在這個維度可以看到，通過進一步展開重新刻畫的因果概念，不僅因果觀念的實在論理解和描述論理解就會在新的發展階段走向融合，而且會由此展開一個創構因果觀念的新的層面，從而將作為兩種不同發展趨勢的關系統一起來。正是在這一發展階段，因果關系不僅可以被理解為描述模型，而且可以被作為創構模型理解。作為因素的相互作用過程，關于原因的這種理解只是到大數據時代才得以充分展開。在大數據基礎上，作為描述模型的因果性和作為創構模型的因果性兩方面構成完整形態的因果模型。

一方面，正像完全是數學形式體系描述的量子力學，大數據完全在量化的基礎上理解因果關系，因此相關關系的地位和作用空前凸顯，由相關關系取代因果關系的傾向在某些實踐層面有其一定的合理性。隨著現代科學的抽象發展，因果關系的量化使科學領域對因果性的把握，從主要對因果關系的把握擴展到對因素和結果（效應）關系及其因素間和結果間等相關關系的把握。正是因素和結果關系具有因果關系和相關關系雙重性質，或者說，正是因素和結果關系，為因果關系性質保留最多的相關關系，大大拓展了因果模型的把握空間，從而不僅避免了描述意義上量化把握的局限性，而且開辟了因果關系研究的廣闊空間。而因素分析方法之所以可以避免上述失實等缺陷，則因為因素分析不僅更具體，而且可以與定性分析相結合。因果關系定量分析和定性研究的結合，意味著在統計意義上的因果描述模型和實在意義上的因果創構模型之間，存在著重要探索空間。另一方面，在創構模型中，相對于潛在結果的因素關系展示了一個創構的可能性空間。相關關系取代因果關系雖然意味著對因果關系更間接的把握，但由于以大數據為基礎，更由于在信息文明時代，這種量化的把握具有非同尋常的意義。雖然只是對因果關系的量化把握，但由于可以對因素及其相互作用進行把控，因而可以按照人們自己的設想創構自己需要的結果。這種因果關系的把握是應大數據時代創構從未存在的新對象的需要而生，主要是對因素進入相互作用過程和狀態的把握。在這種因果關系的把握中，人們最關心的是因素以什么方式進入什么樣的相互作用，從而形成什么樣的結果。在這一階段，把握因果關系的目的從“由因（素）索果”進一步推進到“由因（素）構果”。[5]在這一認識階段，因果性和相關性之間的關系已經具備澄清的基礎和背景，描述的因果模型進一步擴展到創構的因果模型。在因果創構模型中，因果關系的理論和實踐理解得以融通，亞里士多德“形式因”“質料因”“動力因”和“目的因”的內在邏輯得以充分展開。

大數據不同于大自然的性質，不上升到模型論因果觀，就不可能把握大數據相關關系。面對大數據基礎上的創構（典型的是人工智能）不同于對既存對象的描述，不從描述論因果觀進一步提升到模型論因果觀，不可能滿足大數據基礎上創構的因果模型需要。在這方面，珀爾將大數據和人工智能相結合的因果觀，標志著模型論因果觀的成熟形態。

四、三種因果觀的整體關聯

在大數據相關關系的觀照中，從實在論因果觀到描述論因果觀，再到模型論因果觀，呈現出一個發展的整體。在三種因果觀念中，相互之間的認識遞進關系顯而易見。實在論因果觀是就物能和信息相互作用的過程，描述論因果觀是就觀念間的關系，而模型論因果觀則是就引擎體（agent）和對象之間的實踐關系而言的。因此，模型論因果觀并不是描述論因果觀的否定，描述論因果觀也不否定實在論因果觀，而是因果關系理解層層細化深入的結果。三種層層遞進的因果觀，具有不同的適用范圍。實在論因果觀只適用于宏觀低速運動領域，描述論因果觀擴展到還適用于微觀領域，而模型論因果觀則進一步擴展到還適用于創構領域。實在論因果觀是關于對象確定性聯系的把握，描述論因果觀是將實在論因果觀抽象為描述的產物，而模型論因果觀則是描述論因果觀發展到完全抽離具體經驗條件的結果。三者構成引擎體把握對象確定性聯系之間的層次關聯，反映了從感性具體到思維抽象，再到思維具體的發展過程。其中，實在論因果觀處于感性具體層次，描述論因果觀處于思維抽象層次。然而，模型論因果觀則處于思維具體層次，它將抽象的定性描述和定量描述結合起來并構成二者一體化的整體觀照。

正是在大數據基礎上，從描述的因果模型到創構的因果模型，意味著二者的深層次融合，為存在論意義的更高層次的因果模型奠定了基礎。在以往的觀念中，因果性研究是一個特殊的認識論領域，“因果關系的認識論研究我們如何得知因果關系。”[26]在大數據條件下，相關關系基礎上創構的因果模型，不僅在關于因果性的認識論研究中，使人們對因果關系的認識達到了一種更完整的形態，而且使因果關系的研究得以深化到存在論研究層次。由霍金關于“依賴模型的實在論”，可以聯想到關于因果關系研究的存在論轉向。

依賴模型的實在論認為，一個物理理論和世界圖景是一個模型以及一組將這個模型的元素與觀測連接的規則的思想。因此，去問一個模型是否真實是無意義的，只有是否與觀測相符才有意義。[27]依賴模型的實在論給人們的印象，一方面是富有啟發的合理性，另一方面又是隱約可見的悖理性。其根源就在于“模型”和“實在”的這一邏輯關聯既涉及新的研究范式，又涉及兩種不同研究范式的混合，從而構成了某種富有啟示意義的范式悖論。汲取其合理因素，超越這一悖論性命題，必須進入存在論層次。

在描述的因果模型和創構的因果模型基礎上，進一步探索存在論意義上的因果模型，正是因果關系進一步研究的重要課題。因果關系的存在論層次研究，必須從大數據進一步深入到信息層次，在信息性存在基礎上進行。

參考文獻：

[1]休謨.人性論[M].北京：商務印書館，1996.

[2]休謨.人類理智研究[M].北京：商務印書館，1999.

[3]康德.任何一種能夠作為科學出現的未來形而上學導論[M].北京：商務印書館，1982.

[4]HUME D. A Treatise of Human Nature[M].London：Oxford University Press，1888：87.

[5]王天思.大數據中的因果關系及其哲學內涵[J].中國社會科學，2016（05）：22-42.

[6]ROBERT R，PAGANO. Understanding Statistics in the Behavioral Sciences[M].Tenth Ed.. Wadsworth：Cengage Learning，2013：138.

[7]PETER J，RIGGS. Quantum Causality[M]//Studies in History and Philosophy of Science.Berlin：Springer Science & Business Media，2009.

[8]RUSSELL B. On The Notion of Cause[M]//Mysticism and Logic and Other Essays.London：George Allen & Unwin Ltd.，1913：180.

[9]FALES E. Causation and Universals[M].London：Routledge，1990：78.

[10]羅素.人類的知識[M].北京：商務印書館，1983：387.

[11]REICHENBACH H. Experience and Prediction[M].Chicago：The University of Chicago Press，1970：370-371.

[12]AHARONOV Y，ROHRLICH D. Quantum Paradoxes：Quantum Theory for the Perplexed[M].Weinheim：Wiley-VCH，2005：87.

[13]BOHN D. Causality And Chance In Modern Physics[M].London：Routledge & Kegan Paul Ltd.，1984：11.

[14]HUME D. An Enquiry Concerning Human Understanding[M]. New York：Oxford University Press Inc.，1999：146.

[15]王天恩.創構時代的思維規定[J].南國學術，2019（3）：367-379.

[16]王天思.微觀認識論導論：一種描述論研究[M].南昌：江西人民出版社，2003：301-314.

[17]KEYNES J M. A Treatise on Probability[M]. London：Macmillan and Co. ，Ltd，1921：186-426.

[18]GRANGER C W J. Testing for causality：A personal viewpoint[J].Journal of Economic Dynamics and Control，1980 （2）：329-352.

[19]古扎拉蒂.計量經濟學基礎[M].第四版.北京：中國人民大學出版社，2005：658-659.

[20]DAVID F G，PATRICK W S，PHILLIP C F，et al. Business Statistics：A Decision Making Approach[M].8th Edition. New Jersey：Prentice Hall，2003：587.

[21]馬克思，恩格斯.馬克思恩格斯選集：第2卷[M].北京：人民出版社，1995：23.

[22]BOX G E P. Robustness in the strategy of scientific model building[M].New York：Academic Press，1979：202.

[23]FAES L，NOLLO G. Extended causal modelling to assess partial directed coherence in multiple time series with significant instantaneous interactions[J]. Biol Cybern，2010，103（5）：387–400.

[24]HECKMAN J J. Econometric Causality[J].International Statistical Review，2008，76（1）：1–27.

[25]王天恩.理論和實踐關系的歷史反思與當代刻畫[J].思想理論教育，2018（09）：4-10.

[26]RUSSO F. Causality and Causal Modelling in the Social Sciences： Measuring Variations[M].Berlin：Springer， 2009：2.

[27]史蒂芬·霍金，列納德·蒙洛迪諾.大設計[M].長沙：湖南科學技術出版社，2011：5-37.

The Development of Causal Concept from Big Data Correlation Point of View

Wang Tian'en

（Shanghai University，Shanghai 200444，China）

Abstract：With the deepening of human cognition and the upgrading of practical activities， the development of causal concept has undergone two important transformations and formed three basic views of causality：realistic，descriptive and modeling. The first transformation arose from the development from classical physics to quantum mechanics;the second originated from the development of information technology，especially big data. Among the three causal concepts，the realistic causal concept is the result of grasping certainty relation among objects，the descriptive causal concept is the product of abstracting realistic causal concept into description and the modeling causal concept is the result of the development of the descriptive causal concept，which is completely divorced from the specific empirical conditions. From the evolution of the causal concept in the process of human cognitive development，we can further see that， in fact， the two important transformations of the causal concepts are closely related to the manifestation of information. In quantum mechanics，information is highlighted unprecedentedly，and the quantum phenomena generated in microscopic observation are the information as the receptive relationship;Big data itself is the product of digital coding of information，and it is the big data correlation that develops the causal views from being mainly based on material energy to being mainly based on information.

Key words：causal concept;big data;correlation;holistic view

責任編輯：王廷國

收稿日期：2020-12-29

基金項目：本文為國家社科基金重點項目“大數據相關關系和因果關系研究”（項目批準號：17AZX003）的階段性成果。

作者簡介：王天恩，男，江西蓮花人，上海大學馬克思主義學院教授、博士生導師，上海大學“偉長學者”特聘教授。研究方向：信息、大數

據和人工智能哲學。